source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-287.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.043.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 13 14 15 16 17
51 14 34 42 43 32 39 47 28 47 27 27 25 13 18 20
18 19 20 21 22 23 24 25 26 27 28 30 31 32 33 34
30 32 54 62 47 40 23 42 69 59 55 52 53 20 39 50
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
48 44 49 35 64 34 31 34 24 31 41 24 22 31 44 21
51 52 53 54 55 56 57 58 59 60 61 63 64 65 66 67
21 18 25 41 60 43 38 20 28 55 46 28 25 25 32 23
68 69 70 71 72 73 74 75 76 77 79 80 81 82 83 84
47 42 42 18 53 54 21 29 38 25 35 23 40 23 47 21
85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
38 39 46 40 40 49 50 40 40 28 23 39 38 57 41 15
101 102 103 104 105 106 107 108 109 110 112 113 114 115 116 117
13 21 29 35 37 47 25 36 31 53 31 41 27 22 25 44
118 119 120 121 122 123 124 125 126 127 128 130 132 133 134 135
37 70 42 55 36 30 34 47 46 52 47 134 53 28 40 50
136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151
48 49 28 28 46 54 52 38 54 49 33 41 8 27 15 12
152 153 154 155 156 157 158 160 162 163 164 165 166 167 168 169
18 27 49 46 48 24 28 65 29 37 44 20 36 35 26 29
170 172 173 174 175 176 177 182 183 184 185 186 188 189 190 191
71 67 41 52 16 81 61 49 39 32 39 33 32 49 53 51
192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207
33 25 32 44 45 55 27 32 15 23 20 20 45 45 48 53
209 211 212 213 214 215 216 217 218 219 220 222 223 224 227 228
74 34 30 47 62 38 41 36 40 45 59 42 67 64 62 73
229 230 233 234 236 237 238 239 240 241 242 243 244 245 246 247
44 68 24 58 38 34 32 33 39 42 46 23 66 51 27 25
248 249 250 251 252 253 254 255 256 257 259 261 262 263 264 265
39 33 28 46 33 30 30 57 46 49 74 51 24 37 37 30
266 267 268 269 270 271 272 273 276 277 278 279 282 283 284 285
41 29 23 46 45 73 47 23 27 88 53 65 43 62 13 34
286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301
29 35 44 37 46 17 34 52 42 38 39 30 31 30 30 37
302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317
35 37 46 34 43 42 28 17 62 64 23 26 46 39 29 27
318 319 320 321 322 323 324 325 326 327 328 330 331 332 333 334
53 45 43 35 35 37 35 50 51 29 38 25 63 3 42 2
335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350
38 28 38 36 51 18 21 26 46 43 47 38 25 25 36 27
351 352 353 354 355 356 358 360 361 362 363 364 365 366 367 368
34 19 16 24 35 36 48 28 37 36 30 64 56 43 72 22
369 370 371 372 374 375 376 377 378 379 380 381 382 383 384 385
46 41 60 38 47 36 41 46 8 7 48 20 58 44 46 7
386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401
14 17 18 10 19 23 31 27 24 30 24 17 26 45 16 9
402 403 404 405 406 409 410 411 412 413 414 415 416 417 418 419
20 29 31 31 23 38 66 42 63 38 37 46 34 39 26 47
420 422 423 424 425 426 428 429 430 431 432 433 434 435 438 439
54 32 38 37 34 44 27 27 40 35 36 33 42 28 37 42
440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455
22 63 39 51 17 27 23 29 22 28 29 31 24 29 27 37
456 458 459 461 462 463 464 465 466 467 468 469 470 471 472 473
34 50 28 96 81 47 36 44 42 36 47 41 77 56 36 32
474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489
46 46 33 6 38 33 36 26 29 32 16 48 50 74 59 40
490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505
36 12 67 41 70 47 31 27 24 31 33 41 47 18 22 29
506 507 508 509 510 511 512 513 514 516 517 518 519 520 521 522
21 40 29 58 55 37 32 43 55 44 32 45 60 30 47 33
523 524 525 526 527 528 529 530 531 532 533 534 535 536 538 539
43 34 26 27 11 26 35 35 25 44 60 35 20 42 67 25
540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555
74 56 44 38 21 32 17 14 18 9 26 25 21 23 43 32
556 557 558 559 560 561 562 563 564 566 568 569 570 571 572 573
52 56 43 32 43 37 48 45 21 72 19 20 34 67 38 47
574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589
38 31 20 22 33 36 42 19 27 44 20 38 32 30 71 31
590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605
78 62 39 41 39 20 18 18 20 29 22 25 44 23 21 26
606 607 608 609 610 611 612 613 615 616 617 618 620 621 622 623
41 45 36 36 77 62 30 39 76 29 25 49 30 42 37 45
624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639
36 28 19 10 25 50 24 48 48 31 26 46 30 49 36 25
640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655
30 25 22 30 39 35 37 29 29 23 32 35 19 42 68 70
656 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672
47 47 39 78 64 38 37 20 91 31 39 54 48 67 31 37
673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688
38 26 5 26 25 21 28 34 39 40 38 35 46 33 42 48
689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704
54 65 41 50 38 36 39 15 19 15 20 18 54 12 25 36
705 706 711 714 716 717 718 719 720 721 722 723 724 725 726 727
32 44 28 44 63 87 18 32 74 51 8 10 34 34 23 18
728 729 730 731 732 733 734 735 736 737 739 740 741 742 743 744
28 32 45 35 39 40 52 58 29 31 29 38 25 51 37 31
745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760
32 20 21 21 11 22 77 35 50 29 29 37 62 69 67 117
761 762 763 764 765 767 768 770 771 772 773 774 775 776 777 778
117 89 63 50 46 70 99 33 39 4 60 54 31 26 24 30
779 780 781 782 783 784 785 786 787 788 789 791 792 793 794 795
30 46 45 28 58 34 27 27 38 42 48 34 49 56 37 23
796 797 798 799 800 801 802 803 804 805 806 812 813 814 815 816
40 24 18 8 43 68 33 49 36 26 25 55 37 30 46 44
817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832
64 52 20 33 47 23 51 38 26 35 39 22 24 36 27 22
833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848
29 43 54 32 40 28 64 37 52 65 26 32 31 38 22 8
849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864
35 47 52 33 40 30 32 41 47 29 96 92 13 93 42 21
865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880
53 43 49 67 27 26 49 39 31 25 34 27 22 26 39 34
881 882 883 884 885 886 887 888 891 892 893 894 895 896 897 898
22 34 47 41 47 75 41 39 79 64 48 63 33 16 14 12
899 900 901 902 903 904 905 906 907 908 910 913 914 915 916 917
30 40 85 46 52 40 32 34 37 33 36 36 35 32 32 37
919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934
35 33 56 21 41 52 37 40 46 20 34 31 30 30 34 43
935 936 937 938 939 941 942 943 944 945 946 947 948 949 950 951
50 44 55 58 65 55 54 33 57 32 19 19 25 63 48 54
952 953 954 955 956 957 958 959 960 962 963 964 965 966 967 968
70 57 35 28 27 49 30 66 91 75 49 44 63 37 33 55
969 970 971 972 974 975 976 977 978 979 980 981 982 983 984 985
24 41 39 42 34 38 49 56 19 22 56 34 23 19 41 52
986 987 988 990 991 992 993 994 995 996 997 998 999 1000 1001 1003
27 51 74 58 104 17 58 45 42 20 21 45 31 51 71 36
1004 1005 1006 1007 1008 1010 1011 1013 1014 1015 1016 1017 1018 1019 1021 1022
57 31 67 24 80 84 36 51 23 32 35 49 18 24 35 48
1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038
32 53 43 44 18 35 31 28 20 21 37 48 37 26 63 100
1039 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1055 1056
104 73 104 44 34 24 10 45 42 50 17 77 96 71 88 75
1057 1058 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073
92 158 154 22 39 32 37 31 18 33 10 35 27 40 21 36
1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089
75 49 61 32 64 57 59 54 36 25 37 47 23 29 29 27
1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1103 1104 1105 1106 1107
68 33 13 38 35 23 18 52 52 42 51 31 76 105 66 134
1109 1110 1111 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125
113 98 76 102 73 43 22 18 19 38 13 25 43 71 39 45
1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1139 1140 1141 1142
39 21 37 61 38 43 34 34 46 56 66 76 100 34 63 29
1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1157 1158 1159
28 17 22 31 32 33 72 34 133 55 72 85 75 59 55 53
1161 1162 1163 1164 1165 1166 1167 1169 1170 1171 1172 1173 1174 1175 1176 1177
120 85 58 55 38 43 25 37 47 47 44 39 34 62 33 30
1178 1179 1180 1181 1182 1183 1184 1185 1186 1188 1190 1191 1192 1193 1194 1195
46 44 51 51 51 81 61 64 64 94 42 53 43 33 37 21
1196 1197 1198 1199 1200 1202 1203 1204 1205 1206 1207 1208 1209 1210 1213 1214
20 33 28 37 46 57 35 57 52 29 64 46 42 54 31 26
1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1228 1229 1230 1231 1232
40 15 34 29 46 47 54 43 37 44 36 38 63 58 70 66
1233 1234 1236 1238 1239 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251
33 36 97 39 47 45 47 23 34 34 37 52 46 52 43 93
1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1268
75 36 30 39 22 77 50 54 55 36 45 39 46 49 26 32
1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284
15 27 48 56 40 51 19 54 45 37 63 42 56 46 66 57
1285 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301
80 26 62 35 34 28 27 42 32 26 63 46 62 63 69 55
1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317
49 36 31 17 21 43 75 71 39 51 26 35 45 42 30 48
1318 1319 1320 1321 1322 1323 1324 1326 1327 1328 1329 1330 1331 1332 1336 1337
16 21 29 37 25 24 37 50 23 64 37 71 55 100 71 56
1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353
46 25 43 26 46 32 30 79 36 79 51 34 68 118 69 57
1354 1355 1356 1357 1358 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370
30 42 64 22 36 69 33 31 36 30 28 41 67 37 28 34
1371 1372 1373 1374 1375 1376 1377 1378 1384 1385 1386 1387 1388 1389 1390 1391
65 46 28 29 93 40 52 46 43 134 39 31 25 40 19 26
1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407
23 34 41 42 23 49 83 47 54 39 39 24 40 52 36 24
1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423
54 58 49 42 58 33 30 30 44 28 64 63 63 39 32 45
1424 1425 1426 1428 1429 1430 1431 1432 1433 1434 1435 1436 1438 1440 1442 1443
48 37 49 62 75 104 88 124 51 29 98 80 56 47 63 55
1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459
36 43 39 26 35 40 45 31 22 30 27 48 35 52 42 52
1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475
35 36 47 24 31 36 45 33 32 41 58 32 48 26 63 28
1476 1477 1478 1479 1480 1482 1483 1484 1487 1489 1491 1492 1493 1494 1495 1496
47 50 38 32 55 41 119 155 74 51 11 29 22 48 47 39
1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512
42 33 24 53 41 27 26 39 41 44 25 38 59 59 42 70
1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528
46 40 69 28 34 64 32 53 28 57 18 31 34 41 42 61
1529 1530 1531 1534 1535 1537 1538 1540 1541 1542 1543 1544 1545 1546 1547 1548
45 37 90 49 121 56 73 49 77 50 45 25 31 53 53 14
1549 1550 1551 1552 1553 1554 1555 1556 1557 1558 1559 1560 1561 1562 1563 1564
23 90 58 56 30 30 72 52 39 38 33 30 52 46 33 33
1565 1566 1567 1568 1569 1570 1571 1572 1573 1574 1575 1576 1577 1578 1579 1580
53 29 31 41 39 50 51 20 77 33 31 12 38 27 29 80
1581 1582 1583 1584 1586 1587 1589 1590 1593 1594 1595 1596 1597 1598 1599 1600
67 36 91 43 83 60 80 121 143 86 60 32 40 63 38 52
1601 1602 1603 1604 1605 1606 1607 1608 1609 1610 1611 1613 1614 1615 1616 1617
48 43 31 60 43 43 23 48 33 61 69 58 40 62 58 31
1618 1619 1620 1621 1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633
27 44 64 70 48 28 50 25 21 35 30 62 53 38 141 1
1634 1635 1636 1638 1640 1641 1643 1645 1646 1647 1649 1650 1651 1652 1653 1654
95 81 59 73 206 117 48 27 51 83 61 72 50 28 38 44
1655 1656 1657 1658 1659 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670
45 39 19 21 39 44 60 49 55 41 36 72 57 6 27 68
1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1687 1688 1692 1693 1694
64 46 79 58 24 32 33 19 20 25 73 48 117 70 117 87
1695 1696 1701 1702 1703 1704 1705 1706 1707 1708 1709 1710 1711 1712 1713 1714
70 71 23 28 36 42 31 34 19 36 45 62 34 49 39 33
1715 1716 1717 1718 1719 1720 1721 1724 1725 1726 1727 1728 1729 1730 1731 1732
51 61 42 29 35 43 31 66 42 41 40 39 56 57 81 36
1733 1734 1735 1736 1737 1738 1739 1740 1742 1743 1744 1747 1748 1749 1750 1751
43 56 49 39 23 127 62 118 59 46 28 37 22 37 74 44
1752 1753 1754 1755 1756 1757 1758 1759 1760 1761 1762 1763 1764 1765 1766 1767
51 35 45 32 29 21 46 24 35 50 32 48 25 29 38 56
1768 1769 1770 1771 1772 1773 1775 1776 1777 1778 1779 1780 1782 1783 1784 1785
19 45 49 67 35 70 26 42 55 55 56 57 33 39 24 52
1786 1787 1790 1791 1796 1797 1798 1799 1800 1801 1802 1803 1804 1805 1806 1807
38 46 63 58 53 77 77 10 41 37 33 48 35 32 29 33
1808 1809 1810 1811 1812 1813 1814 1815 1816 1817 1818 1819 1820 1821 1822 1823
34 43 26 20 40 45 30 35 59 19 40 56 55 67 36 47
1824 1825 1826 1827 1828 1829 1830 1831 1832 1833 1834 1835 1836 1837 1838 1839
44 50 43 60 19 58 79 18 43 28 34 17 43 109 79 114
1841 1842 1844 1845 1848 1849 1850 1851 1852 1853 1854 1855 1856 1857 1858 1859
98 95 108 53 35 53 72 24 30 35 32 32 29 24 40 37
1860 1861 1862 1863 1864 1865 1866 1867 1868 1869 1870 1871 1872 1873 1875 1876
34 36 40 32 31 41 46 14 33 48 54 19 17 62 33 35
1877 1878 1879 1881 1882 1883 1884 1885 1886 1888 1889 1891 1896 1897 1899 1900
78 35 58 26 38 30 23 63 98 98 26 93 52 39 52 61
1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916
36 45 41 22 28 29 39 34 55 40 22 34 47 52 36 12
1917 1919 1920 1921 1922 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934
62 46 44 37 85 71 52 33 32 54 68 57 45 37 15 41
1935 1936 1937 1938 1939 1943 1944 1945 1947 1948 1949 1950 1951 1952 1953 1954
52 54 45 43 37 52 38 75 73 32 42 44 19 40 24 25
1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970
27 25 32 39 27 34 29 41 53 27 35 18 41 51 30 34
1971 1972 1973 1974 1975 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987
42 28 13 46 9 41 17 118 36 59 38 29 55 48 54 18
1988 1989 1991 1992 1993 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
42 47 54 57 51 90 28 64 39 42 57 29 23 29 25 24
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
35 48 47 37 19 30 48 34 40 26 51 38 25 33 59 45
2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037
48 29 16 37 70 16 71 7 34 26 27 28 51 34 25 36
2040 2043 2044 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058
109 91 41 86 39 36 25 47 24 18 22 28 36 48 40 44
2059 2060 2061 2062 2063 2064 2065 2066 2068 2069 2070 2071 2072 2073 2074 2075
61 40 45 39 28 26 23 53 27 25 36 25 65 21 41 83
2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2089 2091 2092 2095
46 32 46 52 39 33 27 33 35 51 34 45 110 52 91 102
2096 2100 2101 2102 2103 2104 2105 2106 2107 2108 2109 2110 2111 2112 2113 2114
100 16 51 11 38 33 44 50 42 59 21 20 28 24 32 22
2115 2116 2117 2118 2119 2120 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130
55 19 51 41 26 34 41 36 31 56 48 35 17 52 31 19
2131 2132 2133 2134 2135 2136 2140 2142 2143 2147 2148 2149 2150 2151 2152 2153
26 50 53 43 82 26 52 41 53 45 46 32 11 51 29 3
2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2166 2167 2168 2169 2170
43 40 33 23 34 29 29 31 25 13 24 30 37 32 44 35
2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186
38 19 32 41 39 41 39 47 30 23 22 27 49 62 42 41
2188 2189 2191 2192 2194 2196 2197 2198 2199 2201 2202 2203 2204 2205 2206 2207
52 55 89 41 48 45 59 42 48 47 4 27 38 21 32 46
2208 2209 2210 2211 2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2223
26 37 24 24 9 18 24 35 32 51 38 51 31 26 29 45
2224 2225 2226 2227 2228 2229 2230 2231 2232 2233 2234 2235 2237 2239 2240 2242
59 25 29 35 37 20 24 33 44 81 37 28 90 51 113 102
2245 2246 2247 2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262
54 27 48 16 28 34 28 24 16 43 37 28 36 42 18 15
2263 2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278
33 31 33 31 25 25 25 45 39 51 45 25 35 48 26 25
2279 2280 2281 2282 2283 2284 2285 2287 2288 2289 2290 2291 2292 2294 2295 2296
42 19 24 26 29 86 53 34 43 58 17 63 94 90 75 72
2297 2299 2300 2301 2302 2303 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313
32 42 33 23 17 29 4 40 32 31 23 5 14 23 27 25
2314 2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2325 2326 2327 2328 2329
42 34 23 24 21 43 45 23 46 28 34 33 38 40 23 44
2330 2331 2332 2333 2334 2336 2337 2338 2339 2340 2342 2343 2344 2348 2349 2350
16 44 48 25 52 82 13 39 14 31 13 40 43 50 52 78
2351 2352 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365 2366
8 42 45 5 43 25 31 15 23 27 33 43 34 42 36 54
2367 2368 2369 2370 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382
46 63 44 31 45 22 39 50 42 29 36 44 28 15 38 50
2383 2384 2386 2387 2388 2389 2390 2391 2392 2393 2395 2396 2397 2398 2399 2400
71 85 72 29 52 49 22 21 49 52 24 24 31 7 61 51
2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2412 2413 2414 2415 2416
16 19 30 35 18 7 12 28 28 37 23 46 32 43 51 28
2417 2418 2419 2420 2421 2422 2423 2425 2426 2427 2428 2429 2430 2431 2432 2433
41 39 58 49 38 38 31 36 42 49 17 37 20 44 27 55
2435 2436 2437 2438 2439 2440 2442 2444 2445 2446 2447 2449 2450 2451 2452 2453
32 81 46 33 27 26 22 20 32 52 81 76 23 10 16 16
2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469
7 26 16 22 21 22 37 39 32 33 44 41 23 37 21 37
2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2486
30 47 31 40 43 27 19 45 30 42 15 59 81 49 40 44
2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500
40 25 47 23 40 16 16 10 45 51 39 93 103 102
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2270 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("fecha_cnt", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)